論文の概要: Simulation-Based Sensitivity Analysis in Optimal Treatment Regimes and Causal Decomposition with Individualized Interventions
- arxiv url: http://arxiv.org/abs/2506.19010v1
- Date: Mon, 23 Jun 2025 18:05:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-25 19:48:23.332772
- Title: Simulation-Based Sensitivity Analysis in Optimal Treatment Regimes and Causal Decomposition with Individualized Interventions
- Title（参考訳）: 最適処理規則のシミュレーションに基づく感度解析と個別介入による因果分解
- Authors: Soojin Park, Suyeon Kang, Chioun Lee,
- Abstract要約: 我々は、未測定の共同創業者をシミュレートするシミュレーションベースの感度分析を拡張した。
本稿では,二元的リスク要因に対する省略共起の強さをベンチマークする形式的バウンディング戦略を提案する。
- 参考スコア（独自算出の注目度）: 1.4433172583879073
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Causal decomposition analysis aims to assess the effect of modifying risk factors on reducing social disparities in outcomes. Recently, this analysis has incorporated individual characteristics when modifying risk factors by utilizing optimal treatment regimes (OTRs). Since the newly defined individualized effects rely on the no omitted confounding assumption, developing sensitivity analyses to account for potential omitted confounding is essential. Moreover, OTRs and individualized effects are primarily based on binary risk factors, and no formal approach currently exists to benchmark the strength of omitted confounding using observed covariates for binary risk factors. To address this gap, we extend a simulation-based sensitivity analysis that simulates unmeasured confounders, addressing two sources of bias emerging from deriving OTRs and estimating individualized effects. Additionally, we propose a formal bounding strategy that benchmarks the strength of omitted confounding for binary risk factors. Using the High School Longitudinal Study 2009 (HSLS:09), we demonstrate this sensitivity analysis and benchmarking method.
- Abstract（参考訳）: 因果分解分析は、リスク要因の変更が結果の社会的格差を減少させる効果を評価することを目的としている。
近年、この分析は、最適な治療体制(OTR)を利用してリスク要因を変更する際に、個々の特徴を取り入れている。
新たに定義された個別化効果は、省略された共役仮定に依存しないので、潜在的に省略された共役を考慮に入れた感度分析を開発することが不可欠である。
さらに、OTRと個別化効果は、主に二元リスク要因に基づいており、二元リスク要因に対する観察された共変量を用いた省略共振の強さをベンチマークするための正式なアプローチは存在しない。
このギャップに対処するために、未測定の共同創設者をシミュレートするシミュレーションベースの感度分析を拡張し、OTRの導出から生じる2つのバイアス源に対処し、個別化効果を推定する。
さらに,二元的リスク要因に対する省略共起の強さをベンチマークする形式的バウンディング戦略を提案する。
The High School Longitudinal Study 2009 (HSLS:09) を用いて, この感度解析とベンチマーク手法を実証した。
関連論文リスト
- Wasserstein Distributionally Robust Nonparametric Regression [9.65010022854885]
本稿では、ワッサーシュタイン分布性非パラメトリック推定器の一般化特性について検討する。
我々は,過度の局地的最悪のリスクに対して,非漸近的エラー境界を確立する。
提案した推定器のロバスト性はシミュレーション研究を通じて評価し,MNISTデータセットへの適用例を示した。
論文 参考訳（メタデータ） (2025-05-12T18:07:37Z) - Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction [40.96453902709292]
実世界の応用における現象を利用した事前学習戦略を提案する。
医学では、同じ生物学的シグナル伝達経路の成分は、ベースラインリスクと治療反応の両方に頻繁に影響を及ぼす。
この構造を用いて,リスク予測と因果効果推定の相乗効果を利用するモデルを構築した。
論文 参考訳（メタデータ） (2025-05-01T05:12:14Z) - Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。
本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。
我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
論文 参考訳（メタデータ） (2024-09-24T14:52:14Z) - Contrastive Factor Analysis [70.02770079785559]
本稿では,新しいコントラスト要因分析フレームワークを提案する。
コントラスト学習の領域において、因子分析の有利な特性を活用することを目的としている。
非負因子分析の解釈可能性特性をさらに活用するために、非負バージョンに拡張される。
論文 参考訳（メタデータ） (2024-07-31T16:52:00Z) - Pessimism Meets Risk: Risk-Sensitive Offline Reinforcement Learning [19.292214425524303]
リスクに敏感な強化学習(RL)は,不確実性を管理し,潜在的な有害な結果を最小限に抑えることが不可欠であるシナリオにおいて,意思決定を強化する能力において重要な分野である。
本研究は, エントロピーリスク尺度をRL問題に適用することに焦点を当てる。
我々は,リスクに敏感な観点からはまだ検討されていない理論的枠組みである線形マルコフ決定プロセス(MDP)の設定を中心としている。
論文 参考訳（メタデータ） (2024-07-10T13:09:52Z) - Provable Risk-Sensitive Distributional Reinforcement Learning with
General Function Approximation [54.61816424792866]
本稿では,リスク感性分布強化学習(RS-DisRL)と静的リプシッツリスク対策(LRM),一般関数近似について紹介する。
モデルに基づく関数近似のためのモデルベース戦略であるtextttRS-DisRL-M と、一般値関数近似のためのモデルフリーアプローチである textttRS-DisRL-V の2つの革新的なメタアルゴリズムを設計する。
論文 参考訳（メタデータ） (2024-02-28T08:43:18Z) - Mitigating multiple descents: A model-agnostic framework for risk
monotonization [84.6382406922369]
クロスバリデーションに基づくリスクモノトナイズのための一般的なフレームワークを開発する。
本稿では,データ駆動方式であるゼロステップとワンステップの2つの手法を提案する。
論文 参考訳（メタデータ） (2022-05-25T17:41:40Z) - Two steps to risk sensitivity [4.974890682815778]
条件付きバリュー・アット・リスク(CVaR)は、人間と動物の計画のモデル化のためのリスク尺度である。
CVaRに対する従来の分布的アプローチを逐次的に導入し、人間の意思決定者の選択を再分析する。
次に,リスク感度,すなわち時間的整合性,さらに重要な特性について考察し,CVaRの代替案を示す。
論文 参考訳（メタデータ） (2021-11-12T16:27:47Z) - Learning Bounds for Risk-sensitive Learning [86.50262971918276]
リスクに敏感な学習では、損失のリスク・アバース(またはリスク・シーキング)を最小化する仮説を見つけることを目的としている。
最適化された確実性等価性によって最適性を記述するリスク感応学習スキームの一般化特性について検討する。
論文 参考訳（メタデータ） (2020-06-15T05:25:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。